論文の概要: RasterNet: Modeling Free-Flow Speed using LiDAR and Overhead Imagery

• arxiv url: http://arxiv.org/abs/2006.08021v1
• Date: Sun, 14 Jun 2020 21:03:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 13:24:42.839262
• Title: RasterNet: Modeling Free-Flow Speed using LiDAR and Overhead Imagery
• Title（参考訳）: RasterNet: LiDARとオーバーヘッド画像を用いた自由流速のモデリング
• Authors: Armin Hadzic, Hunter Blanton, Weilian Song, Mei Chen, Scott Workman, Nathan Jacobs
• Abstract要約: 道路自由流速は、低交通条件下での典型的な車両の速度をとらえる。 自由流速を推定するための従来の手法は、下層の道路セグメントの幾何学的特性を利用する。 我々は,明示的な幾何学的特徴を必要とせず,自由流速を推定するための完全自動アプローチであるRasterNetを提案する。
• 参考スコア（独自算出の注目度）: 29.315720350249187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Roadway free-flow speed captures the typical vehicle speed in low traffic conditions. Modeling free-flow speed is an important problem in transportation engineering with applications to a variety of design, operation, planning, and policy decisions of highway systems. Unfortunately, collecting large-scale historical traffic speed data is expensive and time consuming. Traditional approaches for estimating free-flow speed use geometric properties of the underlying road segment, such as grade, curvature, lane width, lateral clearance and access point density, but for many roads such features are unavailable. We propose a fully automated approach, RasterNet, for estimating free-flow speed without the need for explicit geometric features. RasterNet is a neural network that fuses large-scale overhead imagery and aerial LiDAR point clouds using a geospatially consistent raster structure. To support training and evaluation, we introduce a novel dataset combining free-flow speeds of road segments, overhead imagery, and LiDAR point clouds across the state of Kentucky. Our method achieves state-of-the-art results on a benchmark dataset.
• Abstract（参考訳）: 道路自由流速は、低交通条件下での典型的な車両の速度をとらえる。 自由流速のモデル化は交通工学において重要な問題であり、ハイウェイシステムの様々な設計、運用、計画、政策決定への応用がある。 残念ながら、大規模な歴史的交通速度データの収集は高価で時間を要する。 従来の自由流速推定手法では, 勾配, 曲率, レーン幅, 横方向のクリアランス, アクセスポイント密度などの道路セグメントの幾何学的特性は利用できないが, 多くの道路ではそのような特徴は利用できない。 我々は,明示的な幾何学的特徴を必要とせず,自由流速を推定するための完全自動アプローチであるRasterNetを提案する。 RasterNetは、地理的に一貫したラスタ構造を使用して、大規模なオーバーヘッドイメージと空中LiDAR点雲を融合するニューラルネットワークである。 トレーニングと評価を支援するため、ケンタッキー州を横断する道路セグメント、オーバーヘッド画像、LiDAR点雲のフリーフロー速度を組み合わせた新しいデータセットを導入した。 本手法はベンチマークデータセットで最先端の結果を得る。

関連論文リスト

• Temporal Graph Learning Recurrent Neural Network for Traffic Forecasting [27.20703077756038]
  これらの問題に対処するため,TGLRN(Temporal Graph Learning Recurrent Neural Network)を提案する。 より正確には、時系列の性質を効果的にモデル化するために、リカレントニューラルネットワーク(RNN)を活用し、各ステップでグラフを動的に構築する。 実世界の4つのベンチマークデータセットの実験結果から, TGLRNの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-04T19:08:40Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• SWMLP: Shared Weight Multilayer Perceptron for Car Trajectory Speed Prediction using Road Topographical Features [0.0]
  本研究では,大規模な履歴速度データとは無関係な速度予測手法を提案する。 その結果, 定性的, 定量的に, 標準回帰分析よりも有意な改善が認められた。
  論文  参考訳（メタデータ） (2023-10-02T12:39:33Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
  我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。 我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。 北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
  論文  参考訳（メタデータ） (2020-12-21T18:59:12Z)
• Urban Traffic Flow Forecast Based on FastGCRNN [14.445176586630465]
  高速グラフ同時並行ニューラルネットワーク(GCRN)を大規模ネットワークに適用するのは,計算量が多いため困難である。 本稿では,道路網を幾何学グラフに抽象化し,交通流の時空間依存性をモデル化するための高速グラフ同期ニューラルネットワーク(GCRN)を構築することを提案する。 具体的には、FastGCNユニットを使用して、重要サンプリングによる計算複雑性を低減し、グラフ内の道路と周辺道路のトポロジ的関係を効率的に把握する。
  論文  参考訳（メタデータ） (2020-09-17T06:05:05Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。